Du er dataansvarlig for alt det din AI-agent rører. Det kræver en databehandleraftale med hver leverandør agenten sender data videre til, et punkt i din fortegnelse over behandlinger, en vurdering af om agenten træffer afgørelser om mennesker, og en skriftlig politik medarbejderne kan følge uden at ringe til dig.
- Du er dataansvarlig for de persondata en AI-agent behandler, og den ansvarsplacering kan du ikke flytte over på leverandøren ved at købe et abonnement.
- Enhver leverandør der behandler persondata på dine vegne skal have en databehandleraftale efter artikel 28 i databeskyttelsesforordningen, og det gælder også sprogmodellen bag agenten og det automationsværktøj der flytter data rundt.
- Artikel 22 i databeskyttelsesforordningen sætter grænser for afgørelser der alene træffes automatisk og har væsentlig betydning for en person, og et godkendelsesskridt med et menneske er den enkleste måde at holde sig på den rigtige side.
- EU's AI-forordning stiller fra 2. februar 2025 krav om at personale der bruger AI-systemer har tilstrækkelige AI-kompetencer, og det gælder også virksomheder der kun bruger andres værktøjer.
- En agent efterlader et nyt datalager de færreste har med i fortegnelsen, nemlig prompts, samtalehistorik og den søgbare kopi af dine dokumenter som agenten slår op i.
- En AI-politik på to sider med godkendte værktøjer, forbudte datatyper og én navngiven ansvarlig løser flere problemer end en risikovurdering på tredive sider som ingen læser.
Hvilke persondata rører din AI agent når den arbejder selv?
Din AI-agent rører typisk fem lagre af persondata, når den kører af sig selv. Indbakken, felterne i dit CRM, svarene fra dine formularer, logfilerne i automationsværktøjet og det lager de fleste glemmer, nemlig prompten og samtalehistorikken hos modelleverandøren sammen med den søgbare kopi af dine dokumenter.
Det lyder måske banalt, men forskellen på en agent og en almindelig integration er, at agenten selv bestemmer hvad den slår op i.
Du har givet den adgang til en indbakke og en kundedatabase, og så henter den det den synes den har brug for, i den rækkefølge den synes giver mening.
Du kan ikke på forhånd skrive en liste over præcis hvilke felter den læser i morgen.
Derfor kortlægger jeg altid lagrene frem for handlingerne. Hvad kan agenten nå, og hvor ender kopien, når den har nået det. Det spørgsmål kan du svare på én gang og bruge i et år.
Hvilke fem lagre skal du kigge på?
Indbakken er næsten altid det største. En mail fra en kunde indeholder navn, firma, telefonnummer, ofte en adresse, og ret tit noget den pågældende ikke ville have skrevet, hvis han vidste en sprogmodel skulle læse det.
Sygdom, økonomi, en konflikt med en kollega. Når agenten læser tråden for at skrive et svar, behandler den hele tråden, ikke kun den sidste besked.
CRM-felterne er lettere at overskue, fordi du selv har defineret dem. Til gengæld er det her de frie noter ligger.
Feltet der hedder "bemærkninger" er i min erfaring det farligste felt i hele virksomheden, fordi sælgere skriver alt muligt i det, og ingen rydder op.
Formularsvar fra hjemmesiden er tredje lager. Dem glemmer folk, fordi de ligger to steder på én gang. Rå i formularværktøjet og som kopi i mailen eller CRM'et. Sletter du i det ene, lever de videre i det andet.
Logfilerne i automationsværktøjet er fjerde. Hver gang agenten kører et trin, gemmer værktøjet typisk hele det payload den sendte.
Det vil sige kundens data, i klartekst, i en log du aldrig kigger i. Slettepolitikken på de logs er noget du selv skal sætte, og standardindstillingen er sjældent den du ville have valgt.
Femte lager er prompten og samtalehistorikken hos modelleverandøren, plus den søgbare kopi af dine dokumenter hvis agenten kan slå op i dem.
Her bliver persondataene sendt ud af huset til en tredjepart, og det er den overførsel der afgør hvilke aftaler du skal have på plads.
Hvorfor glemmer så mange netop prompten?
Min vurdering er, at det skyldes måden vi tænker på systemer. Folk kortlægger kasser med logoer på. Mailserveren, CRM'et, hjemmesiden, automationsværktøjet.
Prompten ligner ikke et system. Den ligner en besked du skriver i et tekstfelt, og en besked opfatter vi ikke som en database.
Men prompten er det sted hvor alle de andre lagre mødes. Agenten tager en stump fra mailen, et felt fra CRM'et og et afsnit fra et dokument, og limer det hele sammen til én tekst, som den sender til en model der kører et andet sted.
Den tekst er en behandling af persondata, og i de fleste opsætninger bliver den gemt et stykke tid hos leverandøren.
Det samme gælder det søgbare indeks over virksomhedens dokumenter. Når du lader agenten søge i en mappe med tilbud, kontrakter og mødereferater, bliver indholdet typisk kopieret og omdannet til en form modellen kan søge i.
Den kopi ligger hos leverandøren, ikke hos dig, og den arver ikke de adgangsrettigheder mappen havde. Har tre personer adgang til mappen, men hele virksomheden adgang til agenten, har du lige udvidet kredsen fra tre til alle.
Åbn din agent og læs den færdige prompt den sendte sidste gang den kørte, ikke skabelonen. Tag et skærmbillede. Det du ser der, er dét du har sendt ud af huset, og det er den liste du skal bruge, når du går videre til databehandleraftalerne.
At agenter allerede kører i rigtige danske setups er ikke et fremtidsscenarie. Hos Ventipartner, hvor en række AI-agenter indgår i driften sammen med hjemmeside, Google Ads og Meta, analyserer agenterne løbende performance på tværs af kanalerne og foreslår optimeringer, som jeg vurderer og sætter i værk.
Det er præcis den slags setup, hvor man skal vide hvilke lagre agenten rører, inden man udvider dens adgang.
- En AI-agent behandler typisk fem lagre af persondata: indbakken, CRM-felterne, formularsvar, logfiler i automationsværktøjet og prompten plus samtalehistorikken hos modelleverandøren.
- Logfilerne i automationsværktøjet gemmer ofte hele dataindholdet i klartekst, og slettepolitikken er noget du selv skal sætte.
- Prompten er det lager folk glemmer, fordi den ligner en besked frem for et system, men det er dér alle de andre lagre mødes og sendes ud af huset.
- En søgbar kopi af virksomhedens dokumenter arver ikke mappens adgangsrettigheder, så kredsen af folk der kan læse indholdet kan vokse uden at nogen beslutter det.
- Kortlæg lagrene frem for handlingerne, for agenten bestemmer selv hvad den slår op i, og listen over handlinger holder ikke en uge.
Hvornår skal du have en databehandleraftale med AI leverandøren?
Du skal have en databehandleraftale med enhver leverandør, der behandler personoplysninger på dine vegne. Det gælder automationsværktøjet, modeludbyderen, hostingen og alt derimellem. Aftalen skal være skriftlig og følge artikel 28 i databeskyttelsesforordningen. Du er dataansvarlig, leverandøren er databehandler, og kæden bagved er dit ansvar at kende.
Datatilsynet forklarer det ret enkelt i deres vejledning om valget mellem dansk skabelon og EU-standardkontraktbestemmelser. Behandler en leverandør personoplysninger for dig, skal der ligge en skriftlig aftale.
Tilsynet udgav sin egen standardskabelon i starten af 2018, og du kan frit vælge mellem den og EU-Kommissionens standardkontraktbestemmelser. Begge dele holder.
Det tricky ved AI-agenter er ikke aftalen i sig selv. Det er at finde ud af, hvor mange led der er i kæden.
Hvor mange leverandører er der egentlig i en AI-agent?
Flere end du tror. En typisk opsætning ser sådan her ud: et automationsværktøj kører dit workflow, det kalder en modeludbyder for at generere teksten, modeludbyderen kører på en cloududbyders servere, og undervejs ligger dine data måske også i en vektordatabase og et mailværktøj.
Det er fire til fem selvstændige virksomheder, der rører den samme kundeoplysning. Du har en aftale med den første.
De øvrige er underdatabehandlere, og de skal stå opført i et bilag til aftalen. Står de der ikke, har du en aftale der ikke dækker virkeligheden.
Min vurdering er, at det her er det mest oversete punkt hos mindre virksomheder. Folk henter en standardaftale, underskriver den, lægger den i en mappe og tjekker aldrig underleverandørbilaget.
Det er netop bilaget, der fortæller dig, om dine kundedata ender på en server i Virginia.
Selvhostet kontra sky-hostet gør en reel forskel her. Kører du dit workflowværktøj på din egen server, er der ét led færre, og du skal kun have aftale med modeludbyderen.
Kører du den hostede udgave, har du også en aftale med værktøjsudbyderen selv. Det er ikke dårligere, bare et ekstra navn på listen.
Jeg vælger ofte selvhostet, når data er følsomme nok til, at jeg gerne vil kunne svare præcist på, hvor de ligger.
Bliver dine data brugt til at træne modellen?
Som udgangspunkt nej, hvis du bruger en erhvervskonto eller et API. Som udgangspunkt ja, hvis nogen i huset sidder med en gratis forbrugerkonto. Forskellen ligger i vilkårene, ikke i teknikken, og den koster typisk ingenting at rette op på.
De store udbydere har et felt i kontoindstillingerne, hvor du slår træning fra. Hos nogle hedder det data controls, hos andre ligger det under organisationens privatlivsindstillinger.
Find det, slå det fra, tag et skærmbillede med dato og læg det sammen med databehandleraftalen. Det tager ti minutter og er den billigste dokumentation du kan skaffe.
Leverandørens standardaftale ligger næsten altid i selvbetjening. Prøv deres hjælpecenter med ordet DPA, eller kig under trust eller legal på deres site.
Mange har en knap, hvor du accepterer aftalen direkte i kontoen og får en underskrevet PDF retur. Skal du forhandle individuelle vilkår med en amerikansk udbyder som enmandsvirksomhed, kommer du ingen vegne. Standardaftalen er det du får, og den er typisk god nok.
Hvad med data der ryger til USA?
Her er der sket noget godt siden 2023. Europa-Kommissionen vedtog 10. juli 2023 en tilstrækkelighedsafgørelse for EU-U.S. Data Privacy Framework.
Datatilsynet skriver på siden om overførsler til USA, at afgørelsen kun kan bruges som overførselsgrundlag, når oplysningerne går til amerikanske organisationer, der har certificeret sig under ordningen.
Det er den vigtige detalje. Afgørelsen dækker ikke USA som land. Den dækker de virksomheder, der står på listen. Er din leverandør ikke certificeret, skal du bruge et andet grundlag, typisk standardkontraktbestemmelser plus en vurdering af forholdene i modtagerlandet.
Hvis du vil se hele billedet af, hvordan agenterne hænger sammen med resten af markedsføringen, har jeg samlet det i min guide til agentic marketing og hvad det kræver af en virksomhed.
Fem spørgsmål jeg stiller en leverandør før kunden skriver under
Hvor ligger jeres servere, og hvilke underdatabehandlere står i bilaget til aftalen?
Bruger I vores input til at træne eller forbedre jeres modeller, og hvor slår vi det fra?
Hvor længe gemmer I vores prompts og svar, og kan vi sætte opbevaringen ned?
Er I certificeret under EU-U.S. Data Privacy Framework, eller bruger I standardkontraktbestemmelser?
Hvordan og hvor hurtigt underretter I os, hvis I bliver ramt af et brud på datasikkerheden?
Får jeg ikke svar på alle fem inden for en uge, anbefaler jeg at finde en anden leverandør.
Ikke fordi de nødvendigvis har noget at skjule, men fordi en leverandør der ikke kan svare på det her, heller ikke kan hjælpe dig den dag Datatilsynet skriver.
- Artikel 28 kræver en skriftlig databehandleraftale med hver leverandør, der behandler personoplysninger på dine vegne, og Datatilsynets egen skabelon fra 2018 kan bruges direkte.
- Underdatabehandlerne skal stå i et bilag til aftalen. En AI-agent har typisk fire til fem led i kæden fra automationsværktøj til hosting.
- Slå træning på dine data fra i kontoindstillingerne og gem et dateret skærmbillede sammen med aftalen.
- Tilstrækkelighedsafgørelsen fra 10. juli 2023 dækker kun amerikanske virksomheder, der har certificeret sig under EU-U.S. Data Privacy Framework, ikke USA som helhed.
- Fem spørgsmål til leverandøren om servere, træning, opbevaring, overførselsgrundlag og brudsunderretning afslører hurtigt, om de har styr på det.
Få viden du kan bruge i din markedsføring
Du får konkrete erfaringer fra arbejdet med danske virksomheder, skrevet så du kan handle på det. Ingen reklame.
Hvad betyder EU's AI forordning for en virksomhed med 20 ansatte?
Ja, AI-forordningen gælder også for en virksomhed med 20 ansatte, men langt de fleste krav rammer dig slet ikke. Du er idriftsætter, ikke udbyder, og en marketingagent der skriver mails og slår op i et CRM lander næsten altid i den laveste risikoklasse. Tilbage står to håndgribelige pligter.
Forordningen hedder (EU) 2024/1689 og trådte i kraft 1. august 2024 ifølge Europa-Kommissionens nyhed om at AI-forordningen træder i kraft. Den kom ikke som et brag, men som en trappe.
Reglerne bliver rullet ud i etaper frem mod 2028, og det er derfor du bliver ved med at læse forskellige datoer i forskellige artikler.
Den vigtigste skelnen i hele teksten er den mellem udbyder og idriftsætter. Udbyderen er den der udvikler systemet og sætter sit navn på det.
Idriftsætteren er dig, der tager et færdigt system i brug i din egen virksomhed. Køber du en agentplatform, bygger et flow i et værktøj eller lader en model skrive dine mails, er du idriftsætter.
Hovedparten af dokumentationskravene, overensstemmelsesvurderingerne og den tekniske fil ligger hos udbyderen. Det er ikke dig.
Hvilken risikoklasse lander en marketingagent i?
Forordningen deler AI-systemer i fire niveauer. Øverst de forbudte former for praksis, som social scoring og visse former for følelsesaflæsning på arbejdspladsen.
Derunder højrisiko, som dækker ting som ansættelse, kreditvurdering, adgang til uddannelse og en række offentlige funktioner. Så kommer systemer med særlige oplysningskrav, typisk chatbots og syntetisk indhold. Og nederst alt det andet, hvor der ikke stilles særlige krav.
En agent der skriver udkast til nyhedsbreve, opsummerer kundesamtaler eller henter data fra dit CRM ligger i den nederste gruppe.
Begynder den derimod at sortere ansøgninger, vurdere om en kunde kan få kredit, eller afgøre hvem der får et tilbud på baggrund af noget der ligner en profilering, så nærmer du dig højrisiko.
Min vurdering er, at de fleste SMV-agenter jeg bliver spurgt om, ikke kommer i nærheden. Men grænsen går ved HR og kredit, og det er der folk falder i, fordi en CV-screening føles som en lille uskyldig automatisering.
Vær opmærksom på, at risikoklassen følger anvendelsen, ikke værktøjet. Den samme sprogmodel er harmløs i et nyhedsbrev og højrisiko i en ansættelsesproces.
Du kan altså ikke nøjes med at spørge leverandøren. Du skal se på, hvad du selv bruger den til.
Hvilke krav gælder allerede nu for dig?
To af dem er konkrete. Det første er artikel 4 om AI-kompetencer. Fra 2. februar 2025 skal du sikre, at de medarbejdere der arbejder med AI-systemer har et tilstrækkeligt niveau af viden om dem. Digitaliseringsstyrelsen beskriver reglerne i AI-forordningen og bekræfter, at netop AI-færdigheder og de forbudte former for praksis gælder fra den dato, mens størstedelen af reglerne, herunder kravene til højrisikosystemer, først finder anvendelse fra 2. august 2026.
Der står ikke noget om kurser, certifikater eller timetal i artikel 4. For en virksomhed med 20 ansatte læser jeg kravet som en halv time på et personalemøde, hvor I taler om hvad modellen kan, hvad den finder på, og hvad man ikke må skrive ind i den.
Skriv datoen og deltagerne ned. Det er den dokumentation der mangler, når nogen spørger.
Det andet er artikel 50 om oplysningspligt. Taler en person med et AI-system, skal vedkommende vide det, medmindre det er åbenbart ud fra sammenhængen.
Det betyder en linje i din chatbot og en linje i bunden af en mail, hvis det er en agent der svarer. Den danske udgave af forordning (EU) 2024/1689 på EUR-Lex indeholder både den skelnen mellem udbyder og idriftsætter og bøderammerne i artikel 99, hvor loftet er 35 000 000 euro eller 7 procent af den globale årlige omsætning for de forbudte former for praksis efter artikel 5.
De 35 millioner euro er den sats der bliver citeret i alle overskrifter, og det er også den der er mindst relevant for dig.
Den rammer forbudt brug, ikke en marketingagent der har glemt en oplysningstekst. Samme øvelse gælder i øvrigt, når du regner på investeringen.
Jeg har skrevet om hvordan du regner på afkastet af en AI-agent inden du betaler for den, og compliance-arbejdet hører med i det regnestykke.
Datoen 2. august 2025 er den hvor reglerne om generelle AI-modeller og myndighedsstrukturen træder i kraft. Den rammer leverandørerne, ikke dig.
2. december 2027 er derimod den du skal holde øje med, hvis din agent nogensinde bevæger sig ind i HR eller kredit.
- Du er idriftsætter, ikke udbyder, og de tunge dokumentationskrav ligger hos den der leverer systemet.
- En marketingagent der skriver mails og slår op i CRM ligger i den laveste risikoklasse og udløser ingen særlige krav.
- Fra 2. februar 2025 skal medarbejdere der bruger AI have et tilstrækkeligt vidensniveau efter artikel 4, og en halv time på et personalemøde med dato og deltagerliste rækker langt i en SMV.
- Artikel 50 kræver, at folk får at vide, at de taler med et AI-system, medmindre det er åbenlyst.
- Bøderammen på 35 mio. euro eller 7 procent gælder forbudt AI-praksis efter artikel 5 og rammer ikke almindelig markedsføringsautomatisering.
Må agenten selv afgøre noget om en kunde?
Agenten må gerne sortere, score og foreslå. Den må ikke alene træffe afgørelser med retsvirkning eller tilsvarende væsentlig betydning for en person. Afviser den en jobansøger, lukker en konto eller giver en kunde en dårligere pris uden at et menneske kan gribe ind, er du ovre grænsen i artikel 22.
Reglen står i artikel 22 i databeskyttelsesforordningen hos EUR-Lex. Den registrerede har ret til ikke at være genstand for en afgørelse, der alene er baseret på automatisk behandling, herunder profilering, når afgørelsen har retsvirkning eller på tilsvarende vis påvirker personen betydeligt.
Undtagelserne er aftaleindgåelse eller opfyldelse af en aftale, hjemmel i EU-ret eller national ret, og udtrykkeligt samtykke. I de tilfælde skal der blandt andet være ret til menneskelig indgriben.
To ord bærer hele vurderingen. "Alene" betyder uden et menneske der reelt kan ændre udfaldet. En medarbejder der klikker godkend på 400 forslag i timen uden at læse dem, tæller ikke med.
"Betydeligt" handler om konsekvensen for personen, ikke om hvor avanceret modellen er.
Hvad kan agenten roligt gøre på egen hånd?
Alt det der ikke ændrer en persons adgang, økonomi eller retsstilling. Agenten må gerne regne en score ud på et lead, sortere indbakken, foreslå hvilke tre kunder sælgeren skal ringe til i dag, udkaste et svar på en forespørgsel eller lægge en kontakt i et segment.
Almindelig lead scoring er ufarlig, fordi den ikke afgør noget for kunden. Den afgør hvad din sælger bruger sin formiddag på.
Kunden mærker ingen forskel ud over at telefonen måske ringer. Hvordan du bygger den slags scoring op, uden at den bliver en afgørelsesmaskine, har jeg skrevet om i guiden til lead scoring så du ved hvilke leads salget skal ringe til først.
Segmentering er samme kategori. At agenten placerer en kontakt i "har downloadet prisliste, ikke købt" og sender et nyhedsbrev til den gruppe, ændrer ingens retsstilling.
Her er det samtykket til nyhedsbrevet der er det juridiske omdrejningspunkt, ikke artikel 22, og det er et selvstændigt kapitel. Jeg har samlet reglerne i artiklen om GDPR og samtykke til nyhedsbrev uden at du mister halvdelen af listen.
Prisdifferentiering ligger i gråzonen og afhænger af udslaget. Mængderabat efter omsætning er en aftalevilkårsberegning. En model der giver den ene kunde 18 procent rabat og den anden fuld pris på baggrund af adfærdsprofilering, uden at nogen kan forklare hvorfor, begynder at ligne en afgørelse med væsentlig betydning.
Min tommelfingerregel er: kan du ikke forklare forskellen til kunden i to sætninger, skal et menneske sætte prisen.
Hvornår skal et menneske ind over inden agenten handler?
Når handlingen afgør om en navngiven person får adgang til noget, mister noget eller bliver afvist. Jobansøgninger er det tydeligste eksempel.
Lader du agenten frasortere kandidater og sende afslag, træffer den en afgørelse med væsentlig betydning for et menneske, uden at nogen har set ansøgningen. Det skal et menneske gøre.
Samme logik gælder afvisning af en kreditanmodning, lukning af en kundekonto, opsigelse af en abonnementsaftale og spærring af en bruger.
Fælles for dem er, at personen står tilbage med et ringere udgangspunkt end før, og at vedkommende ikke selv kan rulle det tilbage.
Læg godkendelsesskridtet der hvor handlingen rammer en navngiven person udefra, ikke der hvor den rammer intern data. Agenten må gerne opdatere felter i CRM, flytte sager mellem kolonner, skrive noter og bygge lister uden at spørge. Den skal spørge, før den sender noget ud af huset til et menneske, eller før den ændrer noget det menneske har ret til.
Den opdeling holder i drift, fordi den er nem at forklare på et personalemøde. Alternativet, hvor hvert eneste skridt kræver godkendelse, ender med at medarbejderne klikker igennem uden at læse.
Så har du alle ulemperne ved kontrol og ingen af fordelene, og artikel 22 er stadig ikke overholdt, fordi indgrebet ikke er reelt.
Et sidste punkt, som bliver overset: menneskelig indgriben skal være mulig bagefter, ikke kun før. Kunden skal kunne få sin sag set igennem af en person, hvis hun beder om det.
Det kræver, at I kan se hvad agenten gjorde og hvorfor. Derfor gemmer jeg altid den begrundelse agenten gav, sammen med handlingen.
- Artikel 22 forbyder afgørelser, der alene er automatiske og har retsvirkning eller tilsvarende væsentlig betydning for en person.
- Lead scoring, sortering, udkast og segmentering kan agenten håndtere selv, fordi udfaldet rammer din arbejdsdag, ikke kundens retsstilling.
- Afslag på jobansøgning, kreditafvisning, kontolukning og spærring kræver, at et menneske reelt kan ændre udfaldet.
- Godkendelsesskridtet hører hjemme der hvor handlingen rammer en navngiven person udefra, ikke ved interne dataopdateringer.
- Gem agentens begrundelse sammen med handlingen, så en person kan tage sagen op igen, hvis kunden beder om det.
Vil du have mere i indbakken?
Du får konkrete erfaringer fra arbejdet med danske virksomheder, skrevet så du kan handle på det. Ingen reklame.
Hvad skal du kunne dokumentere, hvis Datatilsynet spørger?
Fire ting skal ligge på skrift: en fortegnelse over behandlinger efter artikel 30, en vurdering af om agenten kræver en konsekvensanalyse efter artikel 35, en log over hvad agenten har gjort, og en slettefrist for samtalehistorik. Dertil en beredskabsplan for de 72 timer, hvis noget går galt.
Det lyder tungere end det er. Fortegnelsen er et regneark, ikke et juridisk dokument. Loggen får du typisk forærende af systemet, du skal bare vide hvor den ligger og hvor længe den gemmes.
Og konsekvensanalysen er for de fleste SMV'er en halv side der konkluderer at den ikke er nødvendig, plus begrundelsen for hvorfor.
Slipper du for fortegnelsen, når I er under 250 ansatte?
Næsten aldrig. Undtagelsen i artikel 30, stk. 5 kræver tre ting på én gang: under 250 ansatte, behandlingen skal være lejlighedsvis, og den må ikke indebære risiko for de registrerede.
En AI-agent der kører hver dag og rører kundedata er ikke lejlighedsvis. Du kan læse teksten selv i databeskyttelsesforordningen hos EUR-Lex, og de fleste virksomheder med lønudbetaling er i forvejen ude over undtagelsen.
Artikel 30 lister hvad der skal stå: formål, kategorier af registrerede, kategorier af oplysninger, modtagere, eventuelle overførsler til tredjelande, slettefrister og en beskrivelse af sikkerhedsforanstaltningerne. Syv kolonner. Det er hele øvelsen.
Min model er ét regneark med én række per behandling. Agenten der svarer på kundemails er én række.
Agenten der beriger leads er en anden. Jeg sætter en formiddag af, går systemerne igennem i den rækkefølge data flyder, og skriver kort i hver celle.
Bliver en celle til et helt afsnit, er behandlingen for uklar, og så er det dér arbejdet ligger, ikke i formuleringen.
Lav kolonnerne i denne rækkefølge: behandling, formål, hvem er registreret, hvilke oplysninger, hvem får dem, hvor længe gemmes de, hvordan er de sikret. Udfyld én række færdig før du går videre til næste. Halvt udfyldte rækker bliver aldrig færdige.
Hvornår skal du lave en konsekvensanalyse efter artikel 35?
Når behandlingen sandsynligvis indebærer en høj risiko for folks rettigheder. For en agent peger tre ting i den retning: at den behandler følsomme oplysninger, at den arbejder i stor skala, eller at den systematisk overvåger eller profilerer mennesker.
En agent der sorterer indkommende mails i tre kasser og foreslår et svar rammer sjældent nogen af dem.
Men skriv vurderingen ned alligevel. En halv side hvor du nævner hvad agenten gør, hvilke af de tre kriterier du har holdt den op mod, og hvorfor du lander på at analysen ikke er nødvendig.
Det tager tyve minutter og er værd at have, den dag nogen spørger. Et tomt arkiv ser ud som om spørgsmålet aldrig er stillet.
Falder du den anden vej, bliver konsekvensanalysen en reel øvelse med beskrivelse af behandlingen, nødvendighedsvurdering, risikoanalyse og de foranstaltninger du sætter ind.
Den slags hænger tæt sammen med om virksomheden overhovedet har styr på sine data, og dét har jeg skrevet mere om i gennemgangen af hvordan du måler virksomhedens AI readiness.
Hvad gør du, hvis agenten sender kundedata til den forkerte modtager?
Scenariet er realistisk: agenten svarer på en henvendelse, henter den forkerte sag frem og sender en mail med en anden kundes navn, adresse og sagsoplysninger.
Modtageren er en fremmed. Det er et brud på persondatasikkerheden, og uret begynder at løbe i det øjeblik I bliver bekendt med det, ikke når I er færdige med at undersøge det.
Fristen er uden unødig forsinkelse og om muligt senest 72 timer, og Datatilsynet beskriver selv anmeldelsen. Anmeldelsen skal blandt andet beskrive bruddets karakter og hvad I har gjort for at håndtere det og begrænse skaden.
Derfor er loggen over agentens handlinger guld værd: den viser hvilken mail der gik ud, hvornår, og til hvem.
Bed om tre ting fra dit system, inden agenten går i drift. En log over hver handling agenten udfører, en oversigt over hvor længe samtalehistorikken gemmes, og en knap der kan slette en bestemt persons data.
Kan leverandøren ikke svare på det tredje punkt, har du et problem den dag en kunde beder om sletning.
Sæt en konkret opbevaringsfrist på samtalehistorikken frem for at lade den ligge til evig tid. Vælg et tal I kan begrunde, for eksempel tolv måneder på supportsamtaler fordi I bruger dem til at forbedre svarene, og skriv begrundelsen i fortegnelsen.
Det er lettere at forsvare en frist der er valgt end en der aldrig blev overvejet.
Ansvaret for at papirerne findes ligger hos ledelsen, ikke hos den der tilfældigvis satte agenten op. Skal det op på et højere niveau, kan I bruge oplægget om digitalisering i bestyrelsen og hvordan I sætter den på dagsordenen som ramme for at tage dokumentationen med på et møde.
- Fortegnelsen efter artikel 30 er ét regneark med syv kolonner og én række per behandling. Undtagelsen for under 250 ansatte gælder kun ved lejlighedsvis behandling uden risiko, og en agent der kører dagligt er ikke lejlighedsvis.
- Skriv din vurdering af artikel 35 ned, også når konklusionen er at konsekvensanalysen ikke er nødvendig. En halv side med begrundelsen er bedre end ingenting.
- Loggen over agentens handlinger er dit eget bevis for hvad der skete. Sørg for at vide hvor den ligger, og hvor længe den gemmes.
- Sæt en konkret slettefrist på samtalehistorik og skriv begrundelsen i fortegnelsen.
- Ved et brud løber 72-timers fristen fra I bliver bekendt med det, og anmeldelsen skal beskrive både bruddets karakter og hvad I har gjort ved det.
Sådan skriver du en AI politik medarbejderne kan bruge
En AI-politik der bliver brugt, fylder to sider. Den skal navngive de godkendte værktøjer, liste de datatyper der aldrig må indsættes i en prompt, sige hvem der godkender nye værktøjer, og beskrive hvordan agenternes adgange lukkes når en medarbejder stopper. Resten er bilag.
Min vurdering efter at have læst en del af slagsen: en politik på tredive sider bliver læst af én person, nemlig den der skrev den.
Medarbejderen der sidder med en kundemail og skal vide om han må kopiere den ind i et chatvindue, gider ikke lede i et dokument med afsnitsnummerering. Han gætter. Og han gætter som regel på ja.
Derfor skriver jeg politikken som et opslagsværk i stedet for et regelsæt. Fire overskrifter, almindeligt sprog, og et svar på hver side af arket.
Når den fylder to sider, kan den hænge i frokoststuen og ligge som første side i onboardingmappen.
Hvad skal der stå i politikken?
Start med listen over godkendte værktøjer. Skriv dem ved navn, med version og med hvilken konto der bruges.
Firmakontoen i et værktøj har typisk helt andre vilkår for træning på data end gratisversionen, og medarbejderen kan ikke se forskel fra brugerfladen.
Står der blot "brug kun godkendte AI-værktøjer", har du ikke skrevet en politik, du har skrevet en hensigt.
Dernæst de forbudte datatyper. Her bliver folk konkrete af at se eksempler frem for kategorier. CPR-numre, helbredsoplysninger, lønsedler, ansøgninger, sygefraværssamtaler, kontonumre, kopier af pas og kørekort.
Skriv også det mindre oplagte: hele mailtråde med en kunde, hvor du ikke selv har læst alt indholdet igennem først.
Så reglen for hvad der må ind i en prompt. Jeg bruger en simpel formulering: beskriv sagen, indsæt ikke personen.
"En kunde klager over en leverance der er tre uger forsinket, skriv et svar" virker lige så godt som at kopiere hele korrespondancen ind, og der ryger ingen navne ud af huset.
Fjerde punkt er godkendelsen. Én navngiven person siger ja eller nej til nye værktøjer, og vedkommende tjekker tre ting inden: er der en databehandleraftale, hvor ligger data, og bliver vores input brugt til træning.
Tager det mere end en uge at få svar, finder folk selv en vej udenom.
Femte punkt er opsigelser. Når en medarbejder stopper, lukker I ikke kun mail og telefon. I gennemgår også hvilke agenter der kører med vedkommendes API-nøgle, hvilke automatiseringer der sender fra hans adresse, og hvilke delte chatlogger der indeholder kundedata.
Sæt det ind i den tjekliste I allerede bruger ved fratrædelser, så ingen skal huske det selv.
Hvad gør du ved medarbejdere der bruger AI i smug?
Skygge-AI er ikke et teoretisk problem. Det opstår hver gang politikken er langsommere end arbejdet. En sælger der skal have et tilbud ud inden fyraften, logger ind på et gratisværktøj med sin private mail, og så ligger kundens oplysninger hos en leverandør du aldrig har hørt om og ikke har nogen aftale med.
Det hjælper ikke at forbyde hårdere. Det hjælper at gøre den lovlige vej hurtigst. Giv folk en firmakonto i et værktøj der kan det samme, og sørg for at godkendelsen af et nyt værktøj tager dage og ikke måneder.
Spørg samtidig åbent på et personalemøde hvem der allerede bruger noget. Mit erfaringsindtryk er at svaret altid er flere end ledelsen regnede med, og at folk gerne fortæller det, hvis spørgsmålet ikke lyder som en afhøring.
Oplæringen hænger sammen med AI-forordningen. Kravet om AI-færdigheder i artikel 4 gælder for virksomheder der bruger AI-systemer, og det har fundet anvendelse siden 2. februar 2025 ifølge Digitaliseringsstyrelsens FAQ om AI-forordningen, som også henviser til styrelsens vejledning om kravet.
Der står ingen steder at det skal være et kursus. En time hvor I gennemgår politikken, viser to eksempler på hvad der går galt, og gemmer en deltagerliste med dato, er dokumentation. Læg listen samme sted som jeres fortegnelse.
Afsæt en time på næste personalemøde. Gennemgå de to sider, lad folk stille de spørgsmål de har, og skriv navne og dato ned på et ark til sidst. Scan arket og gem det. Så har I både oplæringen og beviset på én gang.
Har I agenter der kører videre uden nogen ser efter, hjælper jeg gerne med at få skrevet politikken og adgangene ned i noget der kan bruges. Se hvordan jeg arbejder med AI i små og mellemstore virksomheder.
- En brugbar AI-politik fylder to sider og svarer på fire ting: godkendte værktøjer, forbudte datatyper, hvad der må ind i en prompt, og hvem der godkender nyt.
- Skriv værktøjerne ved navn og med hvilken konto, for medarbejderen kan ikke se forskel på firmakonto og gratisversion i brugerfladen.
- Sæt agenternes API-nøgler, automatiseringer og delte chatlogger ind i den tjekliste I allerede bruger ved opsigelser.
- Skygge-AI opstår når den lovlige vej er langsommere end arbejdet, så gør godkendelsen af nye værktøjer til en sag på dage.
- Kravet om AI-færdigheder i artikel 4 har fundet anvendelse siden 2. februar 2025, og en times oplæring med deltagerliste og dato er dokumentation nok.
Skal vi tage en snak?
Tag en uforpligtende snak om hvor du står. Du går fra samtalen med mindst tre konkrete ting du kan gøre.
Skriv til mig